Support Vector Machine SVM Oleh Devie Rosa Anamisa

Support Vector Machine (SVM) Oleh : Devie Rosa Anamisa

Pemahaman • SVM merupakan metode klasifikasi jenis terpadu (supervised) karena ketika proses pelatihan diperlukan target pembelajaran tertentu, berbeda dengan FCM yang dalam proses klasifikasi tidak membutuhkan target pelatihan.

• SVM merupakan algoritma yang bekerja menggunakan pemetaan nonlinier untuk mengubah data pelatihan asli ke dimensi yang lebih tinggi. • Dalam hal ini dimensi baru, akan mencari hyperplane untuk memisahkan secara linier. • SVM menemukan hyperplane ini menggunakan support vector dan margin.

• SVM muncul pertama kali pada tahun 1992 oleh Vladimir Vapnik bersama rekannya Bernhard Boser dan Isabelle Guyon. • Waktu pelatihan, SVM kebanyakkan lambat tetapi sangat akurat karena kemampuan untuk menangani model-model nonlinier yang kompleks.

Margin Kecil dan Besar A 2 Margin kecil Margin besar A 1

• Secara intuitif, hyperplane dengan margin yang lebih besar lebih akurat dalam mengklasifikasikan data dibanding margin yang lebih kecil. • Rumus hyperplane : W. X + b = 0 W 0 + W 1 X 1 + W 2 X 2 = 0 Dimana W ={w 1, w 2, . . . wn} vector bobot n = jumlah atribut b = skalar yang digunakan sebagai bias X = nilai atribut

Kasus Data yang tidak terpisah secara linier • Dalam klasifikasi terkadang dijumpai bidang pemisah yang tidak bisa diambil dengan satu garis lurus. • Oleh karena itu dilakukan pendekatan dengan SVM nonlinier dapat diselesaikan dengan SVM linier. A 1 Sebaran data yang tidak terpisah secara linier

Contoh Kasus Kelas Biner • Terdapat data nilai siswa beserta kelas-kelas yang dimasukinya, yaitu 0=IPA dan 1= IPS.

Langkah-langkah • Buat dua file berekstensi dat yaitu file data_svm dan group_svm. Sbb:

• Pada command window matlab ketik : load data_svm. dat load group_svm. dat, sbb:

• Jika data_svm dan group_svm telah berhasil dibuat aka langkah berikutnya membuat persamaan pemisah dengan ketik : svm. Struct = svmtrain(data_svm, group_svm, ’showplot’, true); kemudian simpan , dengan ketik: save kelassvm. mat, seperti sbb:

• Hasil klasifikasi, sbb :

• Kemudian diuji data training (data_svm. dat), dengan ketik: svmclassify(svm. Struct, data), sehingga hasilnya akan sama dengan yang ada di group_svm. dat, untuk mengetahui hal tersebut silakan dengan data lain yang tidak ada pada data_svm. dat, misalkan:

Aplikasi Dengan GUI • Buka matlab, klik FILE-NEW-GUI, kemudian desain sbb:

• Source code :

Terima Kasih